深度学习之神经网络的构建与理解

　　神经网络的构建与理解

　　一.神经网络基本框架复现

　　#必须放开头，否则报错。作用：把python新版本中print_function函数的特性导入到当前版本

　　from __future__ import print_function

　　import tensorflow.compat.v1 as tf#将v2版本转化成v1版本使用

　　tf.disable_v2_behavior()

　　import numpy as np

　　import matplotlib.pyplot as plt

　　#Construct a function that adds a neural layer

　　#inputs指输入，in_size指输入层维度，out_size指输出层维度,activation_function()指激励函数，默认None

　　def add_layer(inputs,in_size,out_size,activation_function=None):

　　Weights=tf.Variable(tf.random.normal([in_size,out_size]))#权重

　　biases=tf.Variable(tf.zeros([1,out_size])+0.1)#偏置，因为一般偏置不为0，于是人为加上0.1

　　Wx_plus_b=tf.matmul(inputs,Weights)+biases#tf.matmul矩阵相乘

　　if activation_function is None:

　　outputs = Wx_plus_b

　　else:

　　outputs = activation_function(Wx_plus_b)

　　return outputs

　　#Make up some real data

　　#随机x_data,这里一定要定义dtype,[:,np.newaxis]指降低一个维度

　　x_data = np.linspace(-1,1,300,dtype=np.float32)[:,np.newaxis]

　　#概率密度函数np.random.normal(loc,scale,size),loc指分布中心，scale指标准差(越小拟合的越好)，size指类型(默认size=None)

　　noise = np.random.normal(0,0.05,x_data.shape).astype(np.float32)

　　#real y_data

　　y_data = np.square(x_data) - 0.5 + noise

　　#defind placeholder for inputs to network

　　#此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值

　　xs = tf.placeholder(tf.float32,[None,1])#一定要定义tf.float32,系统不默认

　　ys = tf.placeholder(tf.float32,[None,1])

　　#add hidden layer

　　#这里的激励函数为relu函数，指输入层一个神经元，输出层十个神经元

　　l1 = add_layer(xs,1,10,activation_function = tf.nn.relu)

　　#add outputs layer

　　#这里激励函数为None

　　prediction = add_layer(l1,10,1,activation_function = None)

　　#the error between real data and prediction

　　#定义loss，指损失函数总和的平均值，注意这里必须得加上一个reduction_indices=[]。(会说明)

　　loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))

　　#这里用GradientDescentOptimizer做为优化器,就是梯度下降法

　　train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

　　#Activate

　　sess = tf.Session()#非常重要

　　#定义全局初始化(两种表示方法:global_variables_initializer,initialize_all_variables)

　　#建议用global_variables_initializer新版本

　　init = tf.global_variables_initializer()

　　sess.run(init)

　　for i in range(1000):

　　#train,这里的feed_dict是一个字典，用于导入数据x_data和y_data

　　sess.run(train_step,feed_dict = {xs : x_data, ys : y_data})

　　#每50步打印一次

　　if i % 50 == 0:

　　print(sess.run(loss,feed_dict = {xs : x_data, ys : y_data}))

　　显示结果

　　显然loss不断趋近于0

　　部分代码解释郑州专业妇科医院 http://fk.zyfuke.com/

　　当我们计算loss时必须加上reduction_indices=[1],这是一个函数的处理维度。如果没有这个函数默认值为0，则train_step将会被降维成一个数(0维)

　　reduction_indices工作原理图

　　优化器的种类(图片)

　　新手可以使用GradientDescentOptimizer

　　进阶一点可以使用MomenttumOptimizer或AdamOptimizer

　　激励函数的种类(图片)

　　二.结果可视化

　　#Visualization of results

　　fig = plt.figure()#建立一个背景

　　ax = fig.add_subplot(1,1,1)#建立标注

　　ax.scatter(x_data , y_data)#scatter指散点

　　plt.ion()#全局变量时，最好注释掉。作用：使图像连续

　　plt.show()

　　for i in range(1000):

　　# training

　　sess.run(train_step, feed_dict={xs: x_data, ys: y_data})

　　if i % 50 == 0:

　　# to visualize the result and improvement

　　#指没有图像就跳过(简单理解：先抹去线，再出现下一次线)

　　try:

　　ax.lines.remove(lines[0])

　　except Exception:

　　pass

　　prediction_value = sess.run(prediction, feed_dict={xs: x_data})

　　# plot the prediction

　　lines = ax.plot(x_data, prediction_value, 'r-', lw=3)#红色，宽度为3

　　plt.pause(0.1)#指暂停几秒，作者实验表明0.1~0.3可视化效果明显

　　最终得出效果图